基于多种群与协同量子化的哈里斯鹰优化算法

哈里斯鹰优化算法(Harris Hawks optimization,HHO)存在探索能力和开发能力平衡性不足等问题,导致算法收敛速度较慢,寻优精度较低,容易陷入局部最优.针对这些问题,引入多种群策略解决初始化种群单一的问题,提出基于多种群的多能量策略模拟两只体能不同的猎物的逃跑过程,使两个种群向不同的方向进化,以提高探索阶段与开发阶段的搜索能力.此外,协同量子化策略的加入在迭代前期可避免算法陷入局部极值,在迭代后期可提高算法的寻优精度.最后,通过对测试函数的优化结果进行分析可以得出,与其他一些经典或最新的算法相比,改进后的算法可大大提高最优解的收敛速度和寻优精度,同时具有更强的跳出局部最优的能力.     

二进制哈里斯鹰优化及其特征选择算法

针对哈里斯鹰优化(Harris Hawk Optimization, HHO)算法在探索阶段仅使用随机策略初始种群,致使种群多样性下降,控制开发和探索过程中的线性变化的逃逸能量,在迭代后期易陷入局部最优等问题,提出了二进制HHO及其元启发式特征选择算法。首先,在探索阶段引入Sine映射函数,初始化哈里斯鹰种群位置,运用自适应调整算子来改变HHO搜索范围,并更新HHO的种群位置。其次,利用对数惯性权重改进逃逸能量的更新公式,将迭代次数引入跳跃距离中,使用步长调整参数调整HHO的搜索距离,进而平衡探索与开发能力;在此基础上设计了改进的HHO算法,避免HHO算法陷入局部最优。然后,引入S型和V型传递函数,更新改进的HHO算法的二进制位置和种群位置,设计了两种二进制的改进HHO算法。最后,使用适应度函数评估特征子集,并将二进制改进HHO算法与适应度函数相结合,提出了两种基于二进制的改进HHO元启发式特征选择算法。在10个基准函数和17个公共数据集上的实验结果表明,4种优化策略在10个基准函数上有效提升了HHO算法的优化性能,改进的HHO算法明显优于对比的其他优化算法;在12个UCI数据集和5个...     

改进哈里斯鹰算法及其在FIR滤波器中的应用

针对原始哈里斯鹰算法(Harris Hawks Optimization, HHO)存在收敛精度低、易陷入局部最优等问题,提出一种改进的哈里斯鹰算法。首先引入Logistic混沌映射加强扰动,丰富种群多样性,提高算法收敛精度;其次用非线性逃逸能量因子代替线性逃逸能量因子,易于跳出局部最优。为了验证改进效果,利用改进算法求解FIR滤波器设计问题。仿真结果表明,与原始哈里斯鹰算法相比,基于改进算法的FIR滤波器具有更加理想的通带和阻带性能。     

基于混合策略的改进哈里斯鹰优化算法

针对原始哈里斯鹰优化算法(HHO)存在的收敛精度低、收敛速度慢、易陷入局部最优等不足, 提出了一种基于混合策略的改进哈里斯鹰优化算法(HSHHO). 首先, 在种群初始化阶段引入Sobol序列, 生成均匀分布的种群, 提高种群的多样性, 有利于提高算法的收敛速度; 其次, 引入limit阈值, 令算法在一定迭代次数没有获得更优值后执行全局探索操作, 提高算法跳出局部最优解的能力, 改善HHO在迭代后期只执行开发阶段而易陷入局部最优的缺陷; 最后, 提出一种动态的反向学习机制, 提高算法的收敛精度以及跳出局部最优的能力. 在9个基准函数和6个CEC2017函数上进行测试, 与其他多种优化算法、HHO变体作对比, 验证所提出策略的有效性, 并进行Wilcoxon符号秩检验、Friedman检验和Quade检验等非参数检验. 实验结果表明, HSHHO在收敛速度、寻优精度和统计测试方面具有较为优秀的性能. 最后, 还应用到焊接梁设计优化问题, 结果表明改进的算法对于带约束的实际工程优化问题也具有更好的效果.     

基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题

针对启发式算法在机器人路径规划过程中存在路径长度不稳定和易陷入局部极小点的问题,提出一种基于自适应调整哈里斯鹰优化（AAHHO）算法。首先,利用收敛因子调整策略,调节全局搜索阶段和局部搜索阶段的平衡,同时利用自然常数为底数,提高搜索效率和收敛精度;其次,在全局搜索阶段,采用精英合作引导搜索策略,通过3个精英哈里斯鹰合作引导其他个体更新位置以提高搜索性能,通过3个最优位置加强种群间的信息交流;最后,通过模拟种内竞争策略增强哈里斯鹰跳出局部最优的能力。函数测试和机器人路径规划对比实验结果表明,所提算法无论是函数测试还是机器人路径规划都优于IHHO(Improve Harris Hawk Optimization)和CHHO(Chaotic Harris Hawk Optimization)等对比算法,对于求解机器人的路径规划具有较好的有效性、可行性和稳定性。     

混沌精英哈里斯鹰优化算法

针对哈里斯鹰优化(HHO)算法存在的收敛精度低、收敛速度慢、易于陷入局部最优的不足,提出了一种混沌精英哈里斯鹰优化(CEHHO)算法.首先,引入精英等级制度策略,以充分利用优势种群来增强种群多样性以及提升算法收敛速度和精度;其次,利用Tent混沌映射调整算法关键参数;然后,使用一种非线性能量因子调节策略来平衡算法的开发...     

一种基于哈里斯鹰算法改进的BP神经网络

由于传统BP神经网络的训练过程对初始权值及阈值的依赖程度较大,且较优的初始权值及阈值又无法精确获取,采用哈里斯鹰算法对BP神经网络的权值、阈值进行优化.将BP神经网络训练过程中的误差作为适应度函数,并利用鸢尾花数据构建BP神经网络的训练集及测试集.测试结果表明,哈里斯鹰算法能够有效地优化权值及阈值并降低训练误差.BP神...     

基于方形邻域和随机数组的哈里斯鹰优化算法

针对哈里斯鹰优化算法探索能力和开发能力不平衡的问题,通过设置一种多子群方形邻域拓扑结构引导各子群内的个体可以纵横双向随机觅食.为了避免局部最优,通过设置固定置换概率,加强各个子群个体的信息交流,使子群内个体依照随机数组与其他子群的相应个体进行置换.在子群内部,基于历史进化信息进行HHO算法中的算子选择,以更好地利用现有问题领域的信息.利用可变维度基准函数与各种智能优化算法及其改进方法进行跨文献对比,结果表明改进方法在收敛精度、寻优能力上明显高于原始算法和对比文献,且具有较好的鲁棒性,适合推广至实际的优化问题之中.     

基于改进哈里斯鹰优化算法的动态路径规划研究

针对传统栅格地图下的路径规划算法存在多峰值优化、无法实时避障等问题,提出了一种基于改进哈里斯鹰优化算法的动态路径规划方法。首先,提出方形邻格邻近扩散方法初始化哈里斯鹰种群位置,在路径规划问题模型下增加种群多样性;然后,提出一种非线性能量因子优化算法在搜索和开发之间的更新比例,提高全局搜索性能;最后,引入动态窗口法提高机器人实际运行路径的平滑程度,构造结合全局路径的动态窗口评价函数以改善动态窗口法前瞻性不足的问题。实验结果表明,所提方法可以兼顾实时避障和路径最优的需求。     

基于离散哈里斯鹰优化算法求解具有单连续变量的背包问题

为了将哈里斯鹰优化（HHO）算法用于求解具有单连续变量的背包问题（KPC）,基于0-1向量表示个体的编码,利用位运算重构了HHO的进化方程,并采用一种自适应变异机制改善搜索结果,由此提出了一个新的离散哈里斯鹰优化算法（DisHHO）。为了验证DisHHO求解KPC的性能,利用它求解四类大规模KPC实例,通过与已有二进制HHO以及求解KPC的最新算法比较表明：DisHHO不仅平均计算结果优,而且计算速度快,因此DisHHO是求解KPC的一个新的高效算法。     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法

阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。     

基于自主学习行为的教与学优化算法

针对教与学优化（TLBO）算法收敛精度较低、易于早熟收敛等问题,提出一种基于自主学习行为的教与学优化算法（SLTLBO）。SLTLBO算法为学生构建了更加完善的学习框架,学生在完成常规"教"阶段与"学"阶段的学习行为之外,将进一步对比自己与教师、最差学生的差异,自主完成多样化的学习操作,以提高自己的知识水平,提高算法的收敛精度;同时学生通过高斯搜索的自主学习反思行为跳出局部区域,实现更好的全局搜索。利用10个基准测试函数对SLTLBO算法进行了性能测试,并将SLTLBO算法与粒子群优化（PSO）算法、智能蜂群（ABC）算法以及TLBO算法进行结果比对,实验结果验证了SLTLBO算法的有效性。     

基于二次搜索的改进粒子群算法

针对标准粒子群优化（PSO）算法在求解复杂优化问题中出现的早熟收敛问题,提出一种结合梯度下降法的二次搜索粒子群算法。首先,当全局极值超过预设的最大不变迭代次数时,判断全局极值点处于极值陷阱中;然后,采用梯度下降法进行二次搜索,并以最优极值点为中心、某一具体半径设定禁忌区域,防止粒子重复搜索该区域;最后,依据种群多样性准则生成新粒子,替代被淘汰的粒子。将二次搜索粒子群算法及其他四种典型的改进粒子群算法分别应用于四种典型测试函数的优化,仿真结果表明,二次搜索粒子群算法收敛精度最高提升了10个数量级,并且收敛速度较快更容易寻找全局最优解。     

Scale-free fully informed particle swarm optimization algorithm

This paper proposes a novel PSO algorithm, referred to as SFIPSO (Scale-free fully informed particle swarm optimization). In the proposed algorithm a modified Barabási-Albert (BA) model [4] is used as a self-organizing construction mechanism, in order to adaptively generate the population topology exhibiting scale-free property. The swarm population is divided into two subpopulations: the active particles and the inactive particles. The former fly around the solution space to find the global optima; whereas the latter are iteratively activated by the active particles via attaching to them, according to their own degrees, fitness values, and spatial positions. Therefore, the topology will be gradually generated as the construction process and the optimization process progress synchronously. Moreover, the cognitive effect and the social effect on the variance of a particle’s velocity vector are distributed by its “contextual fitness” value, and the social effect is further distributed via a time-varying weighted fully informed mechanism that originated from [27]. It is proved by the results of comparative experiments carried out on eight benchmark test functions that the scale-free population topology construction mechanism and the weighted fully informed learning strategy can provide the swarm population with stronger diversity during the convergent process. As a result, SFIPSO obtained success rate of 100% on all of the eight test functions. Furthermore, SFIPSO also yielded good-quality solutions, especially on multimodal test functions. We further test the network properties of the generated population topology. The results prove that (1) the degree distribution of the topology follows power-law, therefore exhibits scale-free property, and (2) the topology exhibits “disassortative mixing” property, which can be interpreted as an important condition for the reinforcement of population diversity.     

基于锦标赛选择遗传算法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础。提出了一种改进的随机微粒群算法-GAT-SPSO。该方法是在SPSO的进化过程中．以锦标赛选择机制下的遗传算法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。通过时三个多峰的测试函数进行仿真,其结果表明：在搜索空间维数相同的情况下,GAT-SPSO的收敛率厦收敛速度均大大优于SPSO。     

异构WSN中基于改进哈里斯鹰的分簇算法

针对无线传感器网络中传统的低功耗自适应集簇分层型协议存在的节点能耗过高、网络生存周期短以及负载不均衡等问题, 本文提出了一种异构传感网络下的多目标簇头选举和基于模拟退火的哈里斯鹰路由优化算法(LEACH-MHO). 这种改进算法首先在计算节点最优阈值的基础上, 构建新的考量能耗和负载的适应度函数, 找到最优簇首节点, 保证簇首节点的均匀分布; 再建立基于哈里斯鹰优化器的路径选择策略, 同时嵌入模拟退火算法, 防止过早陷入局部最优; 最后使用评估函数筛选出可加入到最佳路径的簇头, 缩短簇头节点到基站的通信距离. 仿真实验数据表明, 与CREEP、LEACH-C、LEACH算法相比, 本文算法的网络生存寿命分别延长了22.18%、77.83%和180.52%, 能更有效地延长网络生存寿命.